¿Cuánto rinde de verdad la IA? El 95% de los pilotos no recupera — dónde está el retorno (y en cuánto tiempo)

Hay un número que ningún proveedor de IA te pondrá en una diapositiva, y es el más importante de todos: según el estudio del MIT «The GenAI Divide» (2025), alrededor del 95% de los proyectos piloto de IA generativa en las empresas no produce ningún impacto medible en la cuenta de resultados. Solo uno de cada veinte llega a una aceleración concreta de los ingresos. No es una estadística para desanimarte — es el punto de partida honesto desde el que se construye un retorno de verdad, en lugar de perseguir uno imaginado.

Porque la lectura del MIT es casi contraintuitiva: ese 95% no es un problema de calidad de los modelos. Las herramientas funcionan. El MIT lo llama «learning gap» — la brecha de aprendizaje: las empresas no consiguen injertar la IA en los flujos de trabajo, en la organización y en los hábitos. El modelo es bueno; lo que falta es la implementación a su alrededor. Y es exactamente la pieza que decide si estás en el 5% o en el 95%.

El techo honesto: la mayoría no recupera lo que gasta

El dato del MIT no es un caso aislado. La PwC 2026 CEO Survey lo confirma desde el lado de quien firma: el 56% de los consejeros delegados declara cero aumento de ingresos o reducción de costes gracias a la IA hasta la fecha, y solo el 12% reporta ambas cosas. Pero el detalle que cuenta es otro: los CEO que sí ven un retorno tienen de dos a tres veces más probabilidades de haber desplegado la IA de forma amplia por las operaciones, en lugar de haberla probado en un solo departamento. El retorno no llega del piloto aislado: llega de la adopción que entra en los procesos.

Sostener juntos estos dos números — 95% de los pilotos con impacto nulo, 56% de las cúpulas sin retorno — sirve para una sola cosa: calibrar las expectativas antes de firmar. Quien te promete un retorno rápido y garantizado te está vendiendo la excepción como si fuera la regla. La regla es que la IA rinde solo donde alguien cierra la brecha de implementación. El resto del artículo es dónde se concentra de verdad el retorno, y en cuánto tiempo llega honestamente.

Dónde se concentra de verdad el ROI — y no es donde va el presupuesto

El MIT ha medido también dónde aparece el retorno, y la respuesta le da la vuelta a la intuición común: más de la mitad de los presupuestos de IA generativa va a las herramientas de ventas y marketing, pero el ROI medido más alto está en la automatización del back-office — eliminar gasto de externalización, recortar costes de agencias externas, agilizar los flujos de administración y operaciones. El dinero persigue el caso de uso más espectacular; el retorno está en el más aburrido.

Es un argumento directo contra el reflejo de «empecemos por un chatbot para el comercial». Para una pyme la lectura práctica es: mira primero dónde el trabajo es repetitivo, medible y de bajo riesgo — las cuentas a pagar, la conciliación, el triaje documental — no dónde es más visible. Son los casos de administración y finanzas y de operaciones los que dan el antes/después más nítido, no el escaparate.

Sobre el mismo eje está la elección comprar frente a construir: comprar a un proveedor especializado sale bien alrededor del 67% de las veces, mientras que los proyectos construidos internamente salen bien más o menos un tercio de las veces (~33%) — la mitad de la tasa de éxito. Para una pyme sin un equipo de ciencia de datos, comprar (o hacerse injertar un stack ya listo) no es la opción perezosa: es la empíricamente más segura. Es el tema del artículo comprar o construir, aquí confirmado por los números.

Los plazos de payback son más largos de lo que te los venden

La segunda expectativa que corregir es el cuándo. El mercado vende retornos en menos de un año; la evidencia dice otra cosa, y coincide en varias fuentes:

• Gartner (782 responsables de infraestructuras y operaciones, finales de 2025): solo el 28% de las iniciativas de IA satisface plenamente las expectativas de ROI, y el 20% fracasa por completo. Entre quienes reportan contratiempos, el 38% cita carencias de competencia del equipo y el 38% la escasa calidad o accesibilidad de los datos — ambas resolubles por un socio de implementación, no por un software mejor.
• Deloitte (1.854 directivos, Europa y Oriente Medio): solo el 6% de las organizaciones ve un payback en menos de un año, e incluso entre los mejores proyectos apenas el 13% lo recupera en un plazo de 12 meses. La mayoría espera de dos a cuatro años para un retorno satisfactorio — frente a los siete-doce meses típicos de una inversión tecnológica ordinaria.
• BCG («Closing the AI Impact Gap», 2025): el ROI realizado se sitúa en torno al 10%, frente a un objetivo del ~20% que la mayoría de las empresas se había marcado — y el uso diario en primera línea se queda en el 51% incluso donde directivos y mandos usan la IA varias veces por semana (más del 75%). Otra vez: la brecha es la profundidad de adopción, no la calidad de la herramienta.

La consecuencia práctica para una pyme es clara: prometer un payback por debajo de los doce meses no es creíble frente a esta evidencia. El marco honesto es de dos a cuatro años, con los casos de back-office y de operaciones/finanzas como las victorias realistas más rápidas. Un proveedor que te garantiza más está ignorando los mismos datos que debería conocer — y la diferencia entre el 28% que recupera y el 20% que fracasa no es el software, son las competencias y los datos: exactamente aquello sobre lo que trabaja una implementación bien hecha.

La trampa de los despidos: el ROI no llega recortando plantilla

Hay un último número que vale como brújula de posicionamiento, no solo como estadística. De nuevo Gartner (350 directivos de empresas con más de mil millones de ingresos): el 80% de las empresas que ha experimentado con IA y automatización reporta reducciones de personal — pero la tasa de reducción es casi idéntica entre las empresas de alto ROI y las de bajo ROI. Dicho de otro modo: ninguna correlación entre recortar puestos y obtener mejores retornos. Como sintetiza la vicepresidenta de Gartner Helen Poitevin, «perseguir el valor solo a través de la reducción de plantilla lleva a la mayoría de las organizaciones hacia retornos limitados».

Las mejores empresas han usado la IA para potenciar a las personas — más productividad con la misma plantilla — no para sustituirlas. Para una pyme es a la vez la historia éticamente más limpia y la que los datos sostienen de verdad: el retorno no está en despedir, está en liberar horas y devolverlas a trabajo de mayor valor. Y es también el modo en que el equipo acepta el cambio en lugar de resistirse a él: una herramienta que aumenta a quien la usa se adopta; una que amenaza el puesto se sabotea, y una herramienta que no se usa tiene ROI cero por buena que sea.

Qué significa para tu empresa

Si atas juntos los números, sale un método, no un pesimismo. Cuatro reglas para estar del lado del 5% que recupera en vez del 95% que no lo hace:

• Parte del back-office, no del escaparate. El ROI medido más alto está en la automatización de administración, finanzas y operaciones — no en el chatbot para el comercial, adonde en cambio va la mitad del presupuesto.
• Compra, no construyas. Para una pyme sin equipo de ML, adoptar un stack listo sale bien el doble de veces que construírselo todo en casa.
• Cuenta con dos a cuatro años, no con doce meses. Es el horizonte que aguanta ante quien lleva las cuentas — y la credibilidad, aquí, vale más que una promesa inflada.
• Apuesta por potenciar, no por sustituir. Es lo que los datos correlacionan con el retorno, y es lo que hace arraigar la adopción en el equipo.

Las cuatro reglas tienen un hilo en común, y es la brecha que el MIT nombró: el retorno no lo decide el modelo, lo decide la implementación. El 38% que cita competencias que faltan, el 38% que cita datos que no están listos, el piloto que nunca entra en los flujos — es todo learning gap, y es todo el trabajo que hay entre «hemos comprado una herramienta» y «la empresa rinde más». Es la razón por la que la frase de Innesti no es «te vendemos la IA» sino «te la injertamos»: la parte que decide el ROI es la que casi todos se saltan.

Antes de estimar cualquier retorno, sin embargo, hay que saber de dónde partes. Hemos convertido ese primer paso en una evaluación de autoservicio y gratuita: pocas preguntas y una indicación sobre dónde la IA puede rendir en tu empresa, con qué controles alrededor y cómo medirlo — el método para medir el ROI es el artículo hermano de este. Haz la evaluación de preparación para la IA — luego, si tiene sentido, lo hablamos.

Este artículo tiene finalidad orientativa. Las cifras de retorno, tasa de éxito y plazos de payback citadas provienen de estudios y encuestas del sector — MIT NANDA «The GenAI Divide: State of AI in Business 2025»; PwC 2026 CEO Survey; Gartner (encuestas a responsables de I&O de finales de 2025 y a directivos de grandes empresas); Deloitte (estudio de 2025 sobre 1.854 directivos en Europa y Oriente Medio); BCG «Closing the AI Impact Gap» (2025) — y hay que leerlas como indicaciones de dirección, no como garantías de resultado: muestras, definiciones y horizontes varían entre las fuentes, y cada estimación hay que verificarla sobre el contexto de cada empresa. Cada elección de herramienta y de inversión en IA hay que valorarla sobre los datos, los controles y los objetivos de tu empresa, con la supervisión de quien responde de ella ante el balance.